Med-SAFE: Postmarket Safety-Actionability Screening for Robotic Medical Devices

Resumen Técnico: Med-SAFE – Cribado de Acción de Seguridad Postcomercialización para Dispositivos Médicos Robóticos

Planteamiento del Problema
La vigilancia postcomercialización de los dispositivos médicos robóticos enfrenta una brecha metodológica crítica: los datos regulatorios públicos (específicamente los informes MAUDE de la FDA) suelen analizarse como recuentos de eventos adversos brutos y no estratificados. Este enfoque no tiene en cuenta la recurrencia desigual de los identificadores de dispositivos y carece de denominadores de exposición, lo que imposibilita la derivación de tasas de incidencia o conclusiones de seguridad causal a partir únicamente del reporte pasivo. Además, los estudios existentes sobre la seguridad de la cirugía robótica se basan mayoritariamente en el análisis descriptivo de eventos o se centran en las vías de aprobación de la IA, careciendo de un marco compacto y matemáticamente estructurado para transformar los amplios registros del lado del dispositivo en un núcleo de vigilancia estricto y consciente de la recurrencia. El desafío consiste en organizar los informes heterogéneos de postcomercialización en estratos interpretables sin sobreestimar el riesgo clínico, la prevalencia o la seguridad comparativa.

Metodología: El Marco Med-SAFE
El artículo presenta Med-SAFE, un marco de cribado del lado del dispositivo, determinista y consciente de la recurrencia. Opera como una transformación matemática del flujo amplio de reportes de MAUDE ($\mathcal{R}$) en un núcleo estricto de dispositivos robóticos ($\mathcal{M}$). La metodología consta de cuatro componentes principales:

1. Inclusión Determinista y Asignación de Grupos:

   • El marco aplica un operador de inclusión determinista $\Phi$ para filtrar el flujo amplio, reteniendo solo los registros que coinciden con diccionarios predefinidos para: (1) Cirugía asistida por robot, (2) Robótica de navegación ortopédica/espinal, (3) Sistemas endoluminales robóticos y (4) Soporte procedimental habilitado por IA.
   • Una regla de precedencia asigna cada reporte retenido a exactamente un grupo de dispositivo robótico mutuamente excluyente ($G_1$ a $G_4$), evitando la duplicidad de membresía.

2. Armonización y Representación de Datos:

   • Los nombres de los fabricantes se armonizan ($H$) para fusionar variantes (subsidiarias, puntuación, capitalización) en grupos unificados.
   • Cada reporte retenido se representa como una tupla estructurada $z_i$ que contiene: grupo de dispositivo robótico, código de producto de la FDA, fabricante armonizado, un vector de completitud de campos estructurados, coordenadas de recurrencia y una puntuación de cribado.

3. Análisis de Recurrencia y Concentración:

   • El marco calcula las masas de recurrencia ($\pi_p, \mu_m$) para los códigos de producto y los fabricantes, que representan la participación empírica de los reportes dentro del núcleo.
   • Se definen funcionales de concentración acumulada ($C_P, C_M$) para cuantificar cómo se distribuye la acumulación de reportes entre los estratos, distinguiendo entre estructuras de vigilancia difusas y concentradas.

4. Funcional de Cribado Acotado:

   • Se computa una puntuación de cribado $s_i$ como un funcional aditivo de tres componentes: especificidad del dispositivo robótico (ponderando más los sistemas quirúrgicos directos), completitud del campo de recurrencia (presencia de código de producto y fabricante) y evidencia de cribado de seguridad del lado del dispositivo (presencia de términos de seguridad específicos como "mal funcionamiento" o "error").
   • La puntuación está acotada ($1 \le s_i \le 5$) y normalizada ($0 \le \bar{s}_i \le 1$).
   • Un orden parcial consciente de la recurrencia clasifica los reportes basándose en la puntuación de cribado y sus coordenadas de recurrencia, priorizando los reportes que son tanto estructuralmente sólidos como parte de estratos altamente recurrentes.

Contribuciones Clave
El artículo realiza cuatro contribuciones específicas:

1. Representación Matemática: Introduce una representación a nivel de reporte que combina grupos de dispositivos, códigos de producto, fabricantes armonizados y coordenadas de recurrencia, yendo más allá de los simples recuentos de eventos.
2. Operadores Explícitos: Define operadores de inclusión determinista y de asignación de grupos que separan los registros específicos de robótica de los flujos generales de dispositivos médicos sin utilizar resultados de pacientes ni atribución causal.
3. Modelado de Concentración: Formaliza las masas de recurrencia de códigos de producto y fabricantes, así como los funcionales de concentración acumulada, permitiendo que la acumulación postcomercialización se analice como una concentración de vigilancia estructurada.
4. Validación Empírica: Valida el marco utilizando datos de FDA MAUDE de 2025, demostrando la extracción de un núcleo estricto de dispositivos robóticos con campos estructurados casi completos y patrones de concentración fuertes.

Resultos Empíricos
Utilizando registros del lado del dispositivo de FDA MAUDE de 2025, Med-SAFE procesó 1.064.648 registros amplios y retuvo 58.487 reportes de dispositivos médicos robóticos (5,49% de la entrada).

• Calidad de los Datos: La cohorte retenida exhibió campos estructurados casi completos: 100% de disponibilidad de código de producto, 99,998% de disponibilidad de fabricante y >99,95% de disponibilidad de nombre de marca/genérico.
• Distribución de Grupos: El núcleo estuvo dominado por dos grupos: Cirugía asistida por robot (86,56%) y Robótica de navegación ortopédica/espinal (13,26%). Juntos, representaron el 99,82% de la cohorte.
• Concentración de Recurrencia:
  • Códigos de Producto: Los 10 principales códigos de producto representaron el 99,40% de los reportes. Un solo código (NAY) representó el 84,30% del núcleo.
  • Fabricantes: Tras la armonización, Intuitive Surgical representó el 86,37% de los reportes, seguido de Medtronic Navigation (7,12%).
• Puntuaciones de Cribado: La mediana de la puntuación de cribado fue 5,00 (media 4,86), con el 99,52% de los reportes marcados como relevantes para el riesgo del lado del dispositivo, lo que indica un fuerte enriquecimiento de registros relevantes para la seguridad dentro del núcleo filtrado.

Significancia y Reivindicaciones
El artículo posiciona a Med-SAFE como una capa computacional interpretable y transparente para la revisión postcomercialización, situada explícitamente entre el análisis descriptivo de MAUDE y el modelado completo de riesgo clínico.

• Alcance de Validez: El autor enfatiza que Med-SAFE opera estrictamente dentro de los límites de los datos de vigilancia pasiva. No estima la incidencia de eventos adversos, la prevalencia, la seguridad comparativa de los dispositivos ni las probabilidades de falla causal, ya que los denominadores de exposición no son observados.
• Valor Primario: La significancia del marco radica en su capacidad para transformar flujos de reportes no estructurados en un espacio de vigilancia estructurado y consciente de la recurrencia. Identifica estratos concentrados (códigos de producto y fabricantes específicos) y proporciona un sistema de puntuación reproducible y acotado para priorizar la revisión estructurada.
• Conclusión: El estudio demuestra que los reportes de postcomercialización de dispositivos médicos robóticos no son listas planas de eventos, sino que forman una estructura agrupada y altamente recurrente. Med-SAFE proporciona las herramientas matemáticas y computacionales para organizar esta estructura para el cribado de la acción de seguridad sin realizar afirmaciones que excedan los límites de evidencia de los datos de reporte público.